hidden_​​layer_size = 10; net = patternnet(hidden_​​layer_size); net = train(net, TrainData2', LabelTrain');调整参数优化模型，示例

下面是一个示例，演示如何使用交叉验证和调整参数来优化神经网络：

% 加载数据
load iris_dataset
x = irisInputs;
t = irisTargets;

% 划分数据集
cv = cvpartition(length(t), 'Holdout', 0.3);
xtrain = x(:, cv.training);
ttrain = t(:, cv.training);
xtest = x(:, cv.test);
ttest = t(:, cv.test);

% 设置隐藏层节点数
hidden_layer_size = 10;

% 创建神经网络
net = patternnet(hidden_layer_size);

% 设置训练参数
net.trainParam.lr = 0.01;
net.trainParam.mc = 0.9;
net.trainParam.epochs = 500;
net.trainParam.batchSize = 10;
net.performParam.regularization = 0.1;
net.performParam.lambda = 0.01;

% 训练神经网络
[net,tr] = train(net, xtrain, ttrain);

% 使用测试集评估性能
y = net(xtest);
perf = perform(net, ttest, y);

% 打印性能和参数信息
fprintf('Performance: %f\n', perf);
fprintf('Learning rate: %f\n', net.trainParam.lr);
fprintf('Momentum: %f\n', net.trainParam.mc);
fprintf('Max epochs: %d\n', net.trainParam.epochs);
fprintf('Batch size: %d\n', net.trainParam.batchSize);
fprintf('Regularization: %f\n', net.performParam.regularization);
fprintf('Lambda: %f\n', net.performParam.lambda);

在以上代码中，我们首先加载了 `iris` 数据集，并将其划分为训练集和测试集。然后，我们创建了一个包含 10 个隐藏节点的神经网络，并设置了训练参数。接着，我们使用训练集对神经网络进行训练，并使用测试集评估了其性能。最后，我们打印了性能和参数信息。

你可以根据具体情况调整参数和隐藏层节点数，以优化神经网络的性能。